摘要

在本工作中，我们提出CleanUNet 2，一种结合波形去噪器与频谱图去噪器优势的语音去噪模型，实现了两者的最佳融合。CleanUNet 2采用受主流语音合成方法启发的两阶段框架，该框架由波形模型与频谱图模型组成。具体而言，CleanUNet 2在当前最先进的波形去噪器CleanUNet的基础上进行改进，通过将频谱图去噪器预测的频谱图作为输入，进一步提升了模型性能。实验结果表明，CleanUNet 2在多项客观与主观评估指标上均优于以往方法。